一种IP骨干网网络流量确定方法和系统技术方案

本发明专利技术公开了一种IP骨干网网络流量确定方法和系统。所述方法包括：构建深度信念网络模型；所述深度信念网络模型为以链路负载数据的快拍数据为输入，以端到端流量值的快拍数据为输出的神经网络模型；采集IP骨干网网络的链路负载数据；将所述链路负载数据进行归一化处理，得到先验测量值；提取所述先验测量值中的快拍数据；将所述先验测量值中的快拍数据输入所述深度信念网络模型，确定所述IP骨干网网络的端到端流量值的快拍数据；根据所述端到端流量值的快拍数据，确定所述IP骨干网网络的流量值。本发明专利技术提供的IP骨干网网络流量估计方法和系统，能够提高网络流量估计的准确性，且具有估计效率高的特点。

A method and system for determining network traffic of IP backbone network

【技术实现步骤摘要】
一种IP骨干网网络流量确定方法和系统
本专利技术涉及网络流量预测
，特别是涉及一种IP骨干网网络流量确定方法和系统。
技术介绍
信息和通信技术的发展极大地改变了人类生活和生产方式，智能电网、办公自动化等基于Internet技术的业务已经进入人们生活当中。此外，智慧城市、大数据等先进信息理念和技术的提出，对未来人类社会的发展起到了积极的推动作用。Internet的发展使得网络规模急剧增大，网络承载业务类型呈多样化发展，特别是云计算、物联网的兴起使得网络已经成为一个复杂的异构网络。根据第37次《中国互联网络发展状况统计报告》结果显示，截至2015年12月，中国网民规模达6.88亿，全年共新增网民人数3951万人。Internet普及率达到50.3％，并且较2014年底提升了2.4％。为了给予用户方便、快捷的信息交互服务，网络流量急剧增加，这使得网络管理问题日益突出，因此Internet的发展面临着前所未有的挑战。此外，为了防止网络拥塞和抵御DDoS(DistributedDenialofService)等网络攻击，以此为用户提供有保障的服务质量，有效的网络管理成为维持网络正常运行的关键环节。网络管理者在执行网络管理决策时，需要了解网络运行状态，例如时延、丢包率、吞吐量、带宽和网络流量等等。网络流量估计技术为网络管理者获取网络状态提供了必要的解决方案和技术支持，可有效地提高网络规划、负载均衡、IGP(InteriorGatewayProtocol)链路权重设置等网络管理措施的效率。为了提高网络流量估计的准确性，科学家们起初采用泊松分布、马尔科夫模型、高斯模型、AR模型、ARIMA模型、FARIMA模型、MWM模型、GARCH模型等线性或非线性模型来建模网络流量，以此作为附加信息来估计端到端网络流量，然而这些模型仅描述了网络流量的短相关性。但随着网络的商业化，网络节点数呈指数增长。同时新型网络应用的出现，使得网络流量具有多重统计特征，例如重尾分布、分形特性、自相关特性等特性。所以，对于一个复杂的异构网络，这些经典模型并不能准确对网络的流量进行准确估计。
技术实现思路
本专利技术的目的是提供一种IP骨干网网络流量确定方法和系统，能够提高网络流量估计的准确性，且具有估计效率高的特点。为实现上述目的，本专利技术提供了如下方案：一种IP骨干网网络流量确定方法，包括：构建深度信念网络模型；所述深度信念网络模型为以链路负载数据的快拍数据为输入，以端到端流量值的快拍数据为输出的神经网络模型；采集IP骨干网网络的链路负载数据；将所述链路负载数据进行归一化处理，得到先验测量值；提取所述先验测量值中的快拍数据；将所述先验测量值中的快拍数据输入所述深度信念网络模型，确定所述IP骨干网网络的端到端流量值的快拍数据；根据所述端到端流量值的快拍数据，确定所述IP骨干网网络的流量值。可选的，在所述构建深度信念网络模型之前，还包括：采集IP骨干网网络的端到端流量值和链路负载数据将所述端到端流量值和所述链路负载数据通过公式进行归一化处理，得到所述链路负载数据的先验测量值和端到端流量值的先验测量值提取所述先验测量值的快拍数据和所述先验测量值的快拍数据将所述快拍数据作为输入，所述快拍数据作为输出，对所述深度信念网络模型进行优化训练；其中，t表示快拍次数，l表示链路编号，L表示网络中链路的数量，n表示端到端流量编号，N表示网络中端到端流量的数量。可选的，所述深度信念网络模型为基于实测单元的受限玻尔兹曼机模型。可选的，所述深度信念网络模型中可视层的条件概率P(vi|h)为：所述深度信念网络模型中隐含层的条件概率P(hj＝1|v)为：其中，表示期望为且方差为1的正态分布，sigm(·)表示sigmoid函数，v＝(v1,v2,...,vI)表示可视层单元，h＝(h1,h2,...,hJ)表示隐含层单元，I表示可视层单元数量，J表示隐含层单元数量，bi表示可视层偏差，aj表示隐含层偏差。一种IP骨干网网络流量确定系统，包括：网络模型构建模块，用于构建深度信念网络模型；所述深度信念网络模型为以链路负载数据的快拍数据为输入，以端到端流量值的快拍数据为输出的神经网络模型；第一数据采集模块，用于采集IP骨干网网络的链路负载数据；第一先验测量值获取模块，用于将所述链路负载数据进行归一化处理，得到先验测量值；第一快拍数据提取模块，用于提取所述先验测量值中的快拍数据；端到端流量确定模块，用于将所述第一先验测量值中的快拍数据输入所述深度信念网络模型，确定所述IP骨干网网络的端到端流量值的快拍数据；流量值确定模块，用于根据所述端到端流量值的快拍数据，确定所述IP骨干网网络的流量值。可选的，所述系统还包括：第二数据采集模块，用于采集IP骨干网网络的端到端流量值和链路负载数据第二先验测量值获取模块，用于将所述端到端流量值和所述链路负载数据通过公式进行归一化处理，得到所述链路负载数据的先验测量值和端到端流量值的先验测量值第二快拍数据提取模块，用于提取所述先验测量值的快拍数据和所述先验测量值的快拍数据优化训练模块，用于将所述快拍数据作为输入，所述快拍数据作为输出，对所述深度信念网络模型进行优化训练；其中，t表示快拍次数，l表示链路编号，L表示网络中链路的数量，n表示端到端流量编号，N表示网络中端到端流量的数量。可选的，所述深度信念网络模型为基于实测单元的受限玻尔兹曼机模型。可选的，所述深度信念网络模型中可视层的条件概率P(vi|h)为：所述深度信念网络模型中隐含层的条件概率P(hj＝1|v)为：其中，表示期望为且方差为1的正态分布，sigm(·)表示sigmoid函数，v＝(v1,v2,...,vI)表示可视层单元，h＝(h1,h2,...,hJ)表示隐含层单元，I表示可视层单元数量，J表示隐含层单元数量，bi表示可视层偏差，aj表示隐含层偏差。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术提供的IP骨干网网络流量估计方法和系统，采用构建好的深度信念网络模型，通过对链路负载数据的快拍数据进行深度训练，就可以得到当前网络的端到端网络流量值，这就能够造确保网络流量估计准确性的同时，提高估计效率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例所提供的IP骨干网网络流量估计方法的流程图；图2为本专利技术实施例所提供的深度信念网络架构的示意图；图3为本专利技术实施例采用DBN和PCA两种方法对Abilene网络进行偏差估计的结果示本文档来自技高网...

【技术保护点】
1.一种IP骨干网网络流量确定方法，其特征在于，包括：/n构建深度信念网络模型；所述深度信念网络模型为以链路负载数据的快拍数据为输入，以端到端流量值的快拍数据为输出的神经网络模型；/n采集IP骨干网网络的链路负载数据；/n将所述链路负载数据进行归一化处理，得到先验测量值；/n提取所述先验测量值中的快拍数据；/n将所述先验测量值中的快拍数据输入所述深度信念网络模型，确定所述IP骨干网网络的端到端流量值的快拍数据；/n根据所述端到端流量值的快拍数据，确定所述IP骨干网网络的流量值。/n

【技术特征摘要】
1.一种IP骨干网网络流量确定方法，其特征在于，包括：
构建深度信念网络模型；所述深度信念网络模型为以链路负载数据的快拍数据为输入，以端到端流量值的快拍数据为输出的神经网络模型；
采集IP骨干网网络的链路负载数据；
将所述链路负载数据进行归一化处理，得到先验测量值；
提取所述先验测量值中的快拍数据；
将所述先验测量值中的快拍数据输入所述深度信念网络模型，确定所述IP骨干网网络的端到端流量值的快拍数据；
根据所述端到端流量值的快拍数据，确定所述IP骨干网网络的流量值。


2.根据权利要求1所述的一种IP骨干网网络流量确定方法，其特征在于，在所述构建深度信念网络模型之前，还包括：
采集IP骨干网网络的端到端流量值和链路负载数据
将所述端到端流量值和所述链路负载数据通过公式进行归一化处理，得到所述链路负载数据的先验测量值和端到端流量值的先验测量值
提取所述先验测量值的快拍数据和所述先验测量值的快拍数据
将所述快拍数据作为输入，所述快拍数据作为输出，对所述深度信念网络模型进行优化训练；
其中，t表示快拍次数，l表示链路编号，L表示网络中链路的数量，n表示端到端流量编号，N表示网络中端到端流量的数量。


3.根据权利要求1所述的一种IP骨干网网络流量确定方法，其特征在于，所述深度信念网络模型为基于实测单元的受限玻尔兹曼机模型。


4.根据权利要求3所述的一种IP骨干网网络流量确定方法，其特征在于，所述深度信念网络模型中可视层的条件概率P(vi|h)为：



所述深度信念网络模型中隐含层的条件概率P(hj＝1|v)为：



其中，表示期望为且方差为1的正态分布，sigm(·)表示sigmoid函数，v＝(v1,v2,...,vI)表示可视层单元，h＝(h1,h2,...,hJ)表示隐含层单元，I表示可视层单元数量，J表示隐含层单元数量，bi表示可视层偏差，aj表示隐含层偏差。


5.一种IP骨干网网络流量确定系统，其特征在于，包括：
网络模型构建模块，用于构建深度信念...

【专利技术属性】
技术研发人员：聂来森，吴诒轩，尚润泽，王蕙质，
申请(专利权)人：西北工业大学青岛研究院，
类型：发明
国别省市：山东;37